Source: https://ailoot.ai/models/lt/sentence-transformers-all-mpnet-base-v2/ Canonical: https://ailoot.ai/models/lt/sentence-transformers-all-mpnet-base-v2/ Language: lt # Sentence Transformers: all-mpnet-base-v2 [Markdown](https://ailoot.ai/models/lt/sentence-transformers-all-mpnet-base-v2/index.md) · [JSON](https://ailoot.ai/models/lt/sentence-transformers-all-mpnet-base-v2/facts.json) ## [Sentence Transformers: all-mpnet-base-v2](https://ailoot.ai/models/lt/sentence-transformers-all-mpnet-base-v2/) Sentence Transformers all-mpnet-base-v2 sakinius ir trumpas pastraipas paverčia 768 matmenų vektoriais, skirtais informacijos paieškai, grupavimui į klasterius ir panašumo vertinimui. Paskelbtoje procedūroje naudojamas vidurkinimas ir L2 normalizavimas, o pagal numatytuosius nustatymus įvestis nukerpama ties 384 žodžių dalimis. - [**Ailoot Ultra · Įterpiniai** `POST /v1/embeddings` `sentence-transformers/all-mpnet-base-v2`](https://ailoot.ai/models/lt/sentence-transformers-all-mpnet-base-v2/#method-0) Apie modelį Šis aprašas apima modelio galimybes. Pasirinktam metodui Ailoot prieinamos įvestys, išvestys ir parinktys nurodytos toliau. all-mpnet-base-v2 yra Sentence Transformers modelis, atvaizduojantis sakinius ir trumpas pastraipas 768 matmenų tankiaisiais vektoriais. Jis papildomai mokytas iš bazinio MPNet modelio taikant kontrastinį mokymąsi milijardo sakinių porų rinkinyje. Gamintojas kaip numatytas paskirtis nurodo informacijos paiešką, grupavimą į klasterius ir sakinių panašumo vertinimą. #### Užkoduokite sakinį arba trumpą pastraipą Paruoškite tekstą, kurį reikia palyginti, išsaugodami pagrindinę mintį ir skiriamąsias detales. Vidinių dokumentų kolekcijoje trumpas skyrius gali aprašyti, kaip paprašyti pakeisti įrangą arba kokia informacija turi būti techninės priežiūros ataskaitoje. Kartu su vektoriumi išlaikykite prieinamą dokumento pavadinimą ir vietą šaltinyje. Tuo pačiu modeliu sukurtas užklausos įterpinys gali padėti rasti susijusius skyrius, net jei jų formuluotės skiriasi. Patikrinkite, ar tuose skyriuose yra skaitytojui iš tikrųjų reikalinga instrukcija. Panašumo vertinimo procese po paieškos palyginkite pačius kandidatinius sakinius, ypač kai viename yra išimtis ar sąlyga, kurios kitame nėra. #### Vidurkinimas ir normalizavimas Etaloniniame kodavimo pavyzdyje kontekstiniai žetonų atvaizdai vidurkinami atsižvelgiant į dėmesio kaukę, į vidurkį neįtraukiant užpildymo žetonų. Tada gauti sakinių įterpiniai normalizuojami pagal L2 normą. Kurdami vektorius kolekcijai ir vėlesnėms užklausoms išsaugokite abu veiksmus. Kiekvienas vektorius turi 768 komponentus. Kosinuso panašumu galima palyginti šiuos normalizuotus atvaizdus, o šaltinio tekstas pateikia rezultatą pagrindžiančius duomenis. Vienodas komponentų skaičius nedaro šio modelio suderinamo su multi-qa-mpnet-base-dot-v1: toje atskiroje versijoje nurodytas CLS agregavimas ir nenormalizuoti vektoriai, kurių balai skaičiuojami skaliarine sandauga. #### Numatytasis nukirpimas ir ištraukų paruošimas Gamintojas nurodo, kad įvestis, viršijanti 384 žodžių dalis, pagal numatytuosius nustatymus nukerpama. Svarbų skyrių išlaikykite šios tokenizatoriaus ribos viduje. Ilgą procedūrą skaidykite prasmingose skyrių ribose ir pridėkite pakankamai vietinio konteksto, paaiškinančio, kam taikomas veiksmas. Tokiam fragmentui kaip „Pateikite per penkias dienas“ reikia įvykio ar proceso, nuo kurio pradedamas skaičiuoti terminas. Mokymo procedūroje sekos buvo ribojamos iki 128 žetonų; tai atskira riba nuo paskelbtos numatytosios 384 žodžių dalių kodavimo ribos. Vertindami ilgesnes pastraipas ar jūsų kolekcijai būdingą žodyną naudokite reprezentatyvią medžiagą. Tai, kad į įvestį telpa daugiau teksto, neįrodo, jog kiekviena detalė vienodai paveiks paieškos rezultatą. #### Paieška, grupavimas ir palyginimas Paieškai išsaugokite vektoriaus ryšį su dokumentu, kad surikiuoti kandidatai leistų grąžinti originalius skyrius. RAG procese atrinkti skyriai tampa atsakymo rašymo etapo kontekstu. Modelis pateikia skaitinius atvaizdus; jis negeneruoja šaltiniais pagrįsto atsakymo ir nesprendžia, kuris dokumentas laikytinas autoritetingu. Grupuodami į klasterius palyginkite kiekvienos siūlomos grupės įrašus prieš suteikdami žymas. Techninės priežiūros pastabų rinkinyje gali būti panašių formuluočių, tačiau jos gali būti susijusios su skirtingais įrenginiais ar gedimo sąlygomis. Į užkoduojamą tekstą įtraukite šias skiriamąsias detales ir tikrinkite jas grąžintoje medžiagoje, užuot pasikliovę vien balu. Ši konkreti all-mpnet-base-v2 modelio versija yra anglų kalbos sakinių įterpinių profilis su savais vidurkinimo, normalizavimo ir numatytojo nukirpimo nustatymais. Saugokite šiuos nustatymus kartu su indeksuota kolekcija, o vektorius naudokite kaip pagalbą ieškant ir lyginant užduočiai svarbias šaltinio ištraukas. **Ailoot Ultra · Įterpiniai** `POST /v1/embeddings` `sentence-transformers/all-mpnet-base-v2` [`sentence-transformers/all-mpnet-base-v2`](https://ailoot.ai/models/lt/#m=sentence-transformers%2Fall-mpnet-base-v2&route=Ultra&caller=sentence-transformers%2Fall-mpnet-base-v2&fmt=embeddings) Sentence Transformers /`sentence-transformers/all-mpnet-base-v2` ### Pradžia Sentence Transformers all-mpnet-base-v2 sakinius ir trumpas pastraipas paverčia 768 matmenų vektoriais, skirtais informacijos paieškai, grupavimui į klasterius ir panašumo vertinimui. Paskelbtoje procedūroje naudojamas vidurkinimas ir L2 normalizavimas, o pagal numatytuosius nustatymus įvestis nukerpama ties 384 žodžių dalimis. Leidžiamos įvestys Tekstas · token\_ids Rezultatai embedding ### Prieinama Ailoot · įvestys ir metodai **Ailoot Ultra · Įterpiniai** `POST /v1/embeddings` Įvestis `text`, `token_ids` Išvestis `embedding` Išvesties formatas json | Laukas | Tipas | Reikalavimas | Reikšmės ir ribos | Numatyta | | --- | --- | --- | --- | --- | | Laukas`model` | Tipas`string` | ReikalavimasPrivaloma | Reikšmės ir ribos sentence-transformers/all-mpnet-base-v2 | Numatyta— | | Laukas`input` | Tipas`string\|string[]\|integer[]\|integer[][]` | ReikalavimasPrivaloma | Reikšmės ir ribos Mažiausias elementų skaičius: 1 Sąlygos: Netuščias vienalyčių įvesčių paketas. Žetonų ID yra neneigiami sveikieji skaičiai. Įvesties biudžetas: Didžiausia reikšmė: 512 · Teksto vienetas: UTF8 baitai · Tokenų vienetas: žetonų masyvo elementai | Numatyta— | | Laukas`encoding_format` | Tipas`string` | ReikalavimasNeprivaloma | Reikšmės ir ribos float | Numatytafloat | | Laukas`dimensions` | Tipas`integer` | ReikalavimasNepalaikoma | Reikšmės ir ribos Mažiausia reikšmė: 1 | Numatyta— | | Laukas`user` | Tipas`json_value` | ReikalavimasNeprivaloma | Reikšmės ir ribos Sąlygos: Šaltinis leidžia šį JSON metaduomenų lauką; tiksli jo reikšmė tiekėjo sistemoje priklauso nuo modelio. | Numatyta— | | Laukas`session_id` | Tipas`json_value` | ReikalavimasNeprivaloma | Reikšmės ir ribos Sąlygos: Šaltinis leidžia šį JSON metaduomenų lauką; tiksli jo reikšmė tiekėjo sistemoje priklauso nuo modelio. | Numatyta— | | Laukas`trace` | Tipas`json_value` | ReikalavimasNeprivaloma | Reikšmės ir ribos Sąlygos: Šaltinis leidžia šį JSON metaduomenų lauką; tiksli jo reikšmė tiekėjo sistemoje priklauso nuo modelio. | Numatyta— | | Laukas`provider` | Tipas`object` | ReikalavimasNeprivaloma | Reikšmės ir ribos Sąlygos: provider.options atmetamas | Numatyta— | Įvesties medžiagos deriniai **text\_to\_embedding** Metodo parametrai ir gyvavimo ciklas | Parametras | Specifikacija | | --- | --- | | Parametras`content_type` | Specifikacijaapplication/json | | Parametras`required` | Specifikacijamodel, input | | Parametras`input_shapes` | Specifikacijastring, string\[\], nonnegative\_integer\_token\_array, nonnegative\_integer\_token\_array\[\] | | Parametras`encoding_format` | Specifikacijafloat | | Parametras`dimensions_override` | Specifikacijafalse | | Parametras`max_input_budget_units` | Specifikacija512 | | Parametras`multimodal_objects` | Specifikacijafalse | | Parametras`material_types` | Specifikacijatext, token\_ids | Gyvavimo ciklas: `synchronous_json` Išsaugokite kiekvieną vektoriaus indeksą ir matmenį. Tai, kad modelio pavadinimas nurodo multimodalumą, nereiškia, jog šiuo konkrečiu keliu priimami vaizdų objektai. ### Planai Tarifų informacija neprideda užklausos parinkčių. Palaikomi parametrai nurodyti prie pasirinkto metodo. Spartusis režimas Nenurodyta Pasirinkus spartųjį režimą Flex režimas Nenurodyta Pasirinkus flex režimą Didžiausios samprotavimo pastangos Nenurodyta Kai didžiausioms samprotavimo pastangoms taikomas numatytasis koregavimas (default) #### Ailoot įkainiai #### Kainos pagal konfigūraciją | Konfigūracija | Įkainių lentelė | Mokestis | | --- | --- | --- | | KonfigūracijaBaziniai žetonų įkainiai | Įkainių lentelėBazinis įkainis | Mokestis Įvestis · Įvesties tokenai **$0.00001** / 1K tokenų Išvestis · Išvesties tokenai **$0** / 1K tokenų Įvestis · Talpyklos skaitymas **—** / 1K tokenų Įvestis · Rašymas į talpyklą **—** / 1K tokenų Įvestis · Rašymas į talpyklą, 1 val **—** / 1K tokenų | Ailoot prieš užklausą rezervuoja numatomą sumą. Gavus rezultatą, galutinis mokestis nuskaitomas pagal išmatuotą naudojimą. Srautinio atsakymo atsiskaitymui naudojamas galutinis naudojimo įrašas. [Kaip veikia rezervavimas ir atsiskaitymas →](https://ailoot.ai/docs/lt/billing/reserve/) ### Užklausų pavyzdžiai #### Ailoot Ultra · Įterpiniai curlPython SDK ```bash set -eu : "${AILOOT_API_KEY:?Set your Ailoot API key}" python3 - <<'PY_REQUEST' import json,os from pathlib import Path p=json.loads('{"model": "sentence-transformers/all-mpnet-base-v2", "input": ["First document", "Second document"]}') Path("request.json").write_text(json.dumps(p,ensure_ascii=False)) PY_REQUEST curl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/embeddings \ -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \ --data-binary @request.json -D response-headers.txt -o result.json python3 - <<'PY_RESULT' import json from pathlib import Path r=json.loads(Path("result.json").read_text()) for x in r.get("data",[]): print(json.dumps({"index":x.get("index"),"embedding":x.get("embedding")})) PY_RESULT ``` ```python from openai import OpenAI import os client=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0) result=client.embeddings.create(model='sentence-transformers/all-mpnet-base-v2',input=["First document","Second document"]) print(result) for item in result.data:print(item.index,item.embedding) ``` ### Gauti ir išsaugoti rezultatus #### Ailoot Ultra · Įterpiniai json ##### Išsaugoti visus baigtus rezultatus Išsaugokite kiekvieną visą grąžintą atsakymą, failą ir turinio dalį. Išsaugokite kiekvieną vektorių su jo indeksu. Vektorių skaičius turi sutapti su įvesčių skaičiumi; jų matmenų skaičius turi būti vienodas. ##### Jei reikia patikrinti pradinį atsakymą Vektorių generavimo užduotims atskiras API galinis taškas neįvedamas. Atsakymo laukai | Laukas | Tipas | | --- | --- | | Laukas`object` | Tipasstring | | Laukas`model` | Tipasstring | | Laukas`data[].index` | Tipasinteger | | Laukas`data[].embedding` | Tipasfinite float\[\] | | Laukas`usage` | Tipasobject | Klaidos ir tolesni veiksmai | Atsakymas | Sąlyga | Kitas žingsnis | | --- | --- | --- | | Atsakymas400 · `invalid_request_error` | SąlygaNetinkami privalomi laukai, medžiagos pateikimo forma arba parametro reikšmė | Kitas žingsnisPrieš naują kūrimo užklausą pataisykite nurodytus laukus. | ### Pseudonimai #### Modelių pseudonimai **Ailoot Ultra** [`sentence-transformers/all-mpnet-base-v2`](https://ailoot.ai/models/lt/#m=sentence-transformers%2Fall-mpnet-base-v2&route=Ultra&caller=sentence-transformers%2Fall-mpnet-base-v2&fmt=embeddings) #### Metodų kelių pseudonimai Naudokite aukščiau nurodytus metodų kelius. #### Susiję ID iškvietimui [`sentence-transformers/all-mpnet-base-v2`](https://ailoot.ai/models/lt/#m=sentence-transformers%2Fall-mpnet-base-v2&route=Ultra&caller=sentence-transformers%2Fall-mpnet-base-v2&fmt=embeddings) FAQ · Sentence Transformers: all-mpnet-base-v2 Kokios įvestys ir rezultatai prieinami? `POST /v1/embeddings` · `sentence-transformers/all-mpnet-base-v2`: `text`, `token_ids` → `embedding` Kokius laukus naudoja užklausa? `POST /v1/embeddings` · `sentence-transformers/all-mpnet-base-v2`: `model`, `input`, `encoding_format`, `provider` Kokie apribojimai taikomi? `POST /v1/embeddings` · `sentence-transformers/all-mpnet-base-v2`: `input.budget.maximum`: `512` (UTF8 baitai); `input.min_items`: `1` Prijunkite Ailoot prie Claude Code, OpenCode, Hermes arba savo programos. ## Įmonė ir jos projektų portfelis Įmonė ir jos projektų portfelis: milijonai klientų; mėnesio pardavimai siekia milijardus. ## Pirkite žetonus su nuolaida. Prenumeratos nuolaida reguliariam darbui. Kodai — iki 50% žetonų pirkimui. Prenumerata Pasirinkite planą su nuolaida reguliarioms užklausoms. Nuolaidos kodas iki 50% Įveskite kodą perkant. Kaina perskaičiuojama pagal galiojančios akcijos sąlygas. Išlaidos istorijoje Kiekvienai užklausai išsaugomi modelis, žetonai ir suma. [Pasirinkti prenumeratą](https://ailoot.ai/docs/lt/billing/subscriptions/) · [Peržiūrėti modelių kainas](https://ailoot.ai/models/lt/) ## Prijunkite API prie produkto, kurį parduodate. SaaS, programos ir botai pagal Ailoot ofertą bei licencijos sutartį. Perpardavimui paprašykite perpardavėjo licencijos. Komercinė programa Teksto, vaizdų, video ir garso kūrimą integruokite į mokamas paslaugos funkcijas. Perpardavėjo licencija Atsiųskite projekto aprašymą ir prieigos schemą. Paprašykite rašytinių naudojimo ir perpardavimo sąlygų. Dokumentai svetainėje Oferta, licencijos sutartis ir duomenų tvarkymo politika prieinamos prieš prisijungiant. [Paprašyti perpardavėjo licencijos](mailto:support@ailoot.ai) · [Oferta ir licencijos sutartis](https://ailoot.ai/legal/offer?lang=lt) ## Ailoot · Įmonė ir jos projektų portfelis Ailoot remiasi sukaupta veiklos patirtimi, plačia klientų baze, stabiliomis paslaugomis ir nuolatine KPI kontrole. Įmonė ir jos projektų portfelis: milijonai klientų; mėnesio pardavimai siekia milijardus. Ailoot šią veiklos patirtį pritaiko teikdama API prieigą prie DI funkcijų klientų produktuose, agentuose, programose ir automatizavimo sprendimuose.